近年来,人工智能技术发展迅速。其中,深度学习技术作为人工智能技术的一个重要分支广泛应用在图像识别、物体检测、语音识别方面。自从Google团队把深度学习应用到完备信息博弈游戏围棋中,并取得了巨大的成功之后,把深度学习技术应用到博弈上的研究开始越来越多。传统的解决非完备信息博弈的方法主要有强化学习,搜索等方式来解决。强化学习的方法对于有巨大动作空间的问题来讲,需要维护一个巨大动作-价值表,这样对于很多问题来讲维护表很困难,对计算机的计算能力要求也很高。搜索的方式在对问题进行建模的时候也会由于动作空间的巨大需要创建巨大的搜索树,对于小型动作空间的完备信息博弈游戏尚可。但是碰到巨大状态动作空间的问题局限性很大。本课题以非完备信息博弈游戏作为研究对象,针对传统解决非完备信息博弈方法的局限性,利用深度学习方法的强大特征提取能力直接用端对端的方式来解决麻将游戏中的决策问题。本文内容主要有以下几个部分组成,每个部分也分别代表本课题中我所在做的工作简要概述。1、设计一种用来描述非完备信息博弈游戏场面博弈信息的三维矩阵,其中通道数表示每一种影响决策因素。对于本课题所用的训练数据集是来自游戏公司的游戏玩家对战日志信息。对于对战日志信息的处理包括积分排名、数据筛选、数据抽取等一系列数据处理操作,使得训练集数据可以满足神经网络模型的输入数据结构要求,即从对战日志信息格式转化为三维矩阵格式。通过采用上述的数据构造方法,不但可以有效减少传统利用构建博弈树的方法来解决决策问题的计算量,而且采用深度学习的方法在推广到其它的决策问题上也更简单方便。2、设计一种基于改进的DenseNet的麻将出牌决策模型和改进的CNN网动作网络模型。考虑到深度神经网络模型由于模型深度的增加存在的梯度消失、过拟合等问题。本课题在DenseNet网络模型中引入Squeeze Net网络模型的Fire模块。利用Fire模块的数据压缩功能和混合卷积核结构设计对三维矩阵数据进行多层次的特征提取,不仅降低了模型的复杂度,原始模型密集连接的方式更是有效的缓解了模型的过拟合。对于CNN网络模型,本文受Google Net网络模型启发,把Inception结构结构结合残差网络的跳层思想对CNN模型进行改进。我们将改进后的DenseNet网络模型和改进后的CNN网络模型在相同的数据集上进行训练测试。通过和经典的机器学习模型和深度学习模型进行精确度的对比,改进的模型可以实现精确度的提升,初步达到实验目的。